煤矿区土壤有机碳含量的高光谱预测模型

可见—近红外光谱已被证明是一种快速、及时、有效的土壤有机碳含量预测工具。利用Field Spec4对济宁鲍店矿区的104个土壤样品进行光谱测量,采用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)及数学变换等多种方式组合对光谱预处理,并运用偏最小二乘回归分析建立土壤有机碳含量预测模型,进而探讨煤矿区土壤有机碳含量的高精度预测方法。结果表明:(1)不同的光谱预处理方法对建模结果影响差异较大,建模结果以SG加MSC预处理再结合光谱反射率的一阶微分变换最优,建模R~2=0.86,RMSE=2.0g/kg,验证R~2=0.78,RMSE=1.81g/kg,RPD=2.69。(2)倒数和倒数的对数与土壤有机碳含量的相关性曲线接近重合,与反射率曲线成反比,但是建模效果远低于反射率;光谱反射率的一阶微分能明显提高500~600nm波段相关性。(3)光谱反射率随土壤有机碳的含量减少而增大,当有机碳含量较低时,其波谱的近红外波段反射率响应能力也随之降低,反射率直接建模难度加大。     

基于遗传算法的波长选择方法对土壤有机碳预测模型影响

以黑龙江农田黑土为研究对象,利用遗传算法(GA)波长选择结合偏最小二乘法(PLS)回归建立土壤有机碳(SOC)的预测模型。通过设定以下GA参数:波长选择数量上限k、初始种群大小P及迭代次数N,采用单点优化方式逐一确定各参数。结果表明,在主成份数为7的情况下,当GA的参数取N=300、P=300、k=50时,GA模型最优;模型的校正决定系数R2=0.922、校正均方根误差RMSEC=1.74、交叉检验均方根误差RMSECV=1.80;模型的预测决定系数R2=0.931、预测均方根误差RMSEP=1.84、预测相对误差RPD=3.81。与原始光谱的PLS模型相比,R2由0.900提升至0.922,RPD由3.38提升至3.81。结果表明,通过GA进行波长选择能够优化模型,提升模型稳定性以及预测精确性。     

近红外光谱结合偏最小二乘法快速评估土壤质量

以长江中下游粮食主产区水稻土为研究对象,采集17种不同施肥处理下共136个土壤样品在350 ～2 500 nm范围的近红外光谱,利用偏最小二乘回归分析结合交叉验证法建立了近红外漫反射光谱与传统化学分析方法测得的全碳、全氮、碳氮比、速效钾、速效磷、电导率、土壤pH等土壤指标之间的定量分析模型。模型的决定系数（R2）以及化学分析值标准差（SD）与模型的内部交叉验证均方差（RMSECV）的比值RSC用于判定建立的模型的好坏。结果表明：全碳、全氮、碳氮比和pH模型的R2和RSC分别为：R2=0.94,RSC=4.31;R2=0.95,RSC=4.35;R2=0.97,RSC=5.60;R2=0.92,RSC=3.37,说明上述土壤指标的预测结果很好。速效钾模型的R2和RSC分别为：R2=0.87,RSC=2.23,表明预测结果尚好。而速效磷和电导率模型的R2和RSC分别为：R2=0.18,RSC=1.16;R2=0.37,RSC=1.31,说明两者的预测结果均很不理想。综上所述,水稻土的土壤质量相关指标（全碳、全氮、碳氮比、速效钾和土壤pH）可以通过近红外光谱结合偏最小二乘法（NIR-PLS）快速评估。     

茶叶咖啡碱近红外光谱模型简化方法

该文以茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,采用一种小波包分析-移动窗口偏最小二乘法（WPA-MWPLS）的处理光谱数据方法,即利用小波包精细的多层分解功能扣除背景、降低噪声的影响,利用移动窗口偏最小二乘法（MWPLS）挑选与茶叶中咖啡碱相关性较大的波数区间使用偏最小二乘法建立校正模型。与只经过Savitzky–Golay预处理后直接利用PLS所建模型相比,采用小波包分析-移动窗口偏最小二乘法使得预测相关系数R由0.9170提高到了0.9625;预测均方差RESEP由0.3071下降为0.2463。该结果表明：该方法具有预处理简单、优选参数和建模变量少等特点,能在很大程度上简化建模过程、提高建模和分析速度。     

基于近红外漫反射光谱的云芝提取物多糖含量快速检测研究

为探索快速无损测定云芝提取物中多糖含量的方法,通过采集粉末状云芝提取物近红外光谱,经预处理和波段选择,结合间隔偏最小二乘法(iPLS)和反向区间偏最小二乘法(Bi-PLS),建立并优化云芝提取物多糖含量检测模型。结果表明,光谱区间为9 365.92~8 918.76 cm~(-1)和5 341.48~4 894.32cm~(-1),二阶导数(SD)预处理后,建立的反向区间偏最小二乘法模型更优,其校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)可分别达到0.9089、0.00781、0.9879和0.00292。该模型可以更有效地优选建模所需波段,降低模型复杂度,降低多糖含量的检测成本,提高检测效率,实现云芝提取物多糖含量的快速、无损检测。     

近红外光谱法预测羊肉化学成分的研究

对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。     

近红外光谱检测苹果可溶性固形物

该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于光谱相似性匹配的土壤有机碳估算

全球土壤光谱库的建立,为利用可见-近红外光谱预测土壤属性提供了参考集,如何从光谱库中挑选合适的建模集以实现对局部地区土壤有机碳的高精度预测,是一个值得研究的问题.本研究基于欧氏距离、马氏距离和光谱角三种光谱相似性指数,探索利用全球光谱库预测局部地区土壤有机碳的有效策略,并比较了不同光谱相似性指数、不同建模集数量及不同建...     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy

A successful determination of spectrally active soil components with visible and near infrared reflectance spectroscopy (VIS-NIRS, 400-2500 nm) depends on the selection of an adequate multivariate calibration technique. In this study, the contents of thermolabile organic carbon (C_375 °C), the inert organic C fraction (C_inert) and the sum of both (total soil organic carbon, OC_tot) were estimated with three different methods: partial least squares regression (PLSR) as common standard tool, a combination of PLSR with a genetic algorithm (GA-PLSR) for spectral feature selection, and support vector machine regression (SVMR) with non-linear fitting capacities. The objective was to explore whether these methods show differences concerning their ability to predict soil organic carbon pools from VIS-NIR data. For this analysis, we used both measured spectra and also spectra successively blurred with uniformly distributed white noise. Soil sampling was performed in a floodplain (grassland plots) near Osnabrück (Germany) and comprised a total of 149 samples (109 calibration samples, 40 validation samples); spectral readings were taken in the laboratory with a fibre-optics ASD FieldSpec II Pro FR spectroradiometer.In the external validation, differences between the calibration methods were rather small, none of the applied techniques emerged to be the fittest with superior prediction accuracies. For C_375 °C and OC_tot, all approaches provided reliable estimates with r² (coefficient of determination) greater than 0.85 and RPD values (defined as ratio of standard deviation of measurements to standard error of prediction) greater than 2.5. For C_inert, accuracies dropped to r² < 0.50 and RPD < 1.5; after the removal of two extreme values (n = 38) results improved at best (GA-PLSR) to r² = 0.80 and RPD = 1.98. The noise experiment revealed different responses of the studied approaches. For PLSR and GA-PLSR, increasing spectral noise resulted in successively reduced r² and RPD values. By contrast, SVMR kept high coefficients of determination even at high levels of noise, but increasing noise caused severely biased estimates, so that regression models were less accurate than those of PLSR and GA-PLSR.     

土壤含水量对反射光谱法预测红壤土壤有机质的影响研究

研究土壤含水量对有机质预测的影响,可为野外红壤有机质快速测定提供理论依据。本文在实验室条件下测量了不同含水量红壤的可见光-近红外光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量的土壤有机质预测模型。结果显示,随土壤含水量的增加,有机质与一阶微分光谱的相关性先增加后下降,含水量为100～150 g/kg时相关系数最大。分380～2 400、380～1 300、1 300～2 400 nm三个波段建立不同含水量的有机质预测模型,模型预测精度均随土壤含水量增加而呈现先增加后下降的趋势。利用1 300～2 400 nm建立有机质预测模型可以有效避开氧化铁影响,建立的模型预测精度最高。本研究认为,当土壤含水量小于200 g/kg时,可以利用在室内控制条件下测定的土壤反射率,建立1 300～2 400 nm波段的PLSR模型,进行红壤土壤有机质含量预测。     

应用近红外光谱法测定土壤的有机质和pH值

为了满足精细农业对土壤快速实时测试的需要,对未经过粉碎、过筛等处理的土壤,采集了4000～12500 cm-1范围的近红外光谱。研究了土壤的光谱特性,并采用偏最小二乘回归分析方法建立了一阶微分光谱的光谱吸光度与有机质含量和pH值之间的定量分析模型。试验分析表明：有机质的预测相关系数为0.818,预测标准偏差SEP为0.069,预测均方根误差为RMSEP为0.085;pH值的预测相关系数为0.834,SEP为0.095,RMSEP为0.114。表明采用近红外光谱仪经一阶微分处理可以很好地预测经过简单处理的土样中的有机质含量和pH值, 该结论为今后田间快速土壤特性光谱测量奠定了基础。     

北京典型耕作土壤养分的近红外光谱分析

为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。     

黑碳添加对土壤有机碳矿化的影响

通过室内培养试验,向土壤中分别添加不同温度制备的黑碳,热解温度分别为350℃(T350)、600℃(T600)和850℃(T850),研究了黑碳添加对土壤有机碳矿化的影响。结果表明,不同温度条件制备的黑碳在15℃和25℃培养条件下,土壤CO2释放速率总的趋势是前期分解速率快,后期缓慢。在整个培养过程中(112天),随着培养时间的延长,土壤CO2释放速率下降趋势逐渐降低,CO2释放速率相对值的大小随着培养温度的的升高而增大。在不同温度培养条件下,添加黑碳后土壤CO2-C累计量均是T350>T600>T850,T350土壤CO2-C累计量最高分别为415.26 mg/kg和733.82 mg/kg。添加不同黑碳后,土壤有机碳矿化增加率存在极显著差异(p<0.01),表明不同温度制备的黑碳对土壤有机碳矿化的影响显著。     

Assessing soil carbon lability by near infrared spectroscopy and NaOCl oxidation

The feasibility of near infrared (NIR) spectroscopy for quantifying labile organic matter (OM) in arable soils and for predicting soil refractory OM fractions was tested on 37 soils varying in texture and soil carbon (C) content. Three sets of arable soils (0-20 cm depth) were sampled from 1) long-term field experiments with different OM inputs, 2) individual sites with inherent with-in field gradients in soil texture and/or C content, and 3) from a range of different sites covering variations in management and geological origin. The labile OM fraction was defined by the CO₂ evolved from the soils incubated for 34 weeks while refractory OM was obtained by NaOCl oxidation.The labile fraction of the soil C accounted for 2-12% of the total soil C content. No systematic relationship between labile C content and total soil C or clay was found, but NIR spectra could be correlated well with the labile C fraction. A distinct, close linear relationship was found for C in soil before and after the NaOCl oxidation, indicating that this method was unable to reveal any additional information not contained in the total soil C measurement. NIR was also correlated with the NaOCl resistant C fraction, but this was considered to relate to the ability of NIR to predict total soil C contents. Thus NIR seemed to have the potential to estimate labile OM determined under laboratory incubations, while it still remains open how to identify and quantify refractory pools of soil OM.     

赣南脐橙园土壤全磷和全钾近红外光谱检测

为建立一种能够同时快速检测土壤全磷和全钾的定量估计模型,该文采用近红外漫反射技术对赣南脐橙果园的土壤进行研究,对56个土样风干、过筛,然后进行光谱采集和化学分析。光谱经过Savitzky-Golay平滑后再用一阶微分变换的方法进行预处理,分别应用偏最小二乘回归（partial least square regress PLS）、主成分回归（principal component regression PCR）和最小二乘支持向量机（least squares support vector machine LS-SVM）3种方法,在4 000～7 500 cm-1波数范围内,建立赣南脐橙果园土壤全磷和全钾快速定量检测模型。结果发现在建立土壤全磷模型时,PLS和PCR的预测模型效果均不理想,但LS-SVM建立的模型较为理想, 其预测相关系数（correlation coefficient of prediction RP）为0.884,预测集均方根误差（the root mean square error of prediction RMSEP）为0.341,预测相对分析误差（residual predictive deviation RPD）为2.59。在建立土壤全钾模型时,PLS、PCR和LS-SVM 建立3种模型效果均理想,其中以LS-SVM模型最理想,其预测相关系数（RP）为0.971,预测集均方根误差（RMSEP）为0.714,预测相对分析误差（RPD）为5.12。研究表明,采用LS-SVM建立的土壤全磷和全钾模型对实现土壤全磷和全钾含量快速检测具有可行性。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。     

近红外光谱技术定量分析玉米杂交种纯度

摘要：应用近红外光谱分析技术结合定量偏最小二乘法对先玉335杂交种纯度进行了定量分析,将不同年份和来源的杂交种和其母本种子粉碎后混合,按0.5%的梯度获得纯度80～100%范围内的样本123份（每梯度按年份和来源设置3个重复）后采集光谱。结果表明：采用散射校正预处理,4 000～8 000 cm-1光谱范围时建模效果较适宜（建模集∶检验集=3∶1）,建模集内部交叉决定系数达96.06%,校正标准差1.18%,平均相对误差1.03%;检验集的决定系数均达到95.02%,校正标准差1.28%,平均相对误差1.12%。采用不同比例的建模样品和检验样品时,建模集和检验集的决定系数均在94%以上,证明了近红外光谱技术定量测定玉米杂交种纯度的可行性以及所建模型的稳定性。     

黑土有机碳变化的DNDC模拟预测

为探讨黑土有机碳的长期变化规律及DNDC模型在土壤有机碳预测方面的适用性,本文利用吉林省公主岭地区黑土不同施肥措施下的长期定位试验数据,选取不施肥(CK)、单施化肥(NPK)、配施有机肥(NPKM)和增施有机肥(M2+NPK)4个处理进行土壤有机碳分析,并将数据用作DNDC模型验证。验证结果表明:各处理DNDC验证中RMSE值均小于10%(分别为5.09%、6.11%、9.38%、8.36%),说明模拟值与观测值一致性良好,模型可用于该地区土壤有机碳模拟。选取了化肥施用、有机肥施用、秸秆还田比率、温度及降水5个因子进行模型的敏感性分析,结果表明:有机肥的施用对土壤有机碳含量的影响最显著,且这种影响具有持久性。最后模拟了4种施肥情境下未来(至2100年)的土壤有机碳变化情况。结果表明:对照不施肥处理(CK)土壤有机碳含量略有下降,至2100年土壤有机碳含量为11.55 g·kg-1,较试验前土壤初始有机碳(13.2 g·kg-1)下降约12.5%。单施化肥处理(NPK)土壤有机碳含量较为稳定,并未出现土壤有机碳含量下降。配施有机肥(NPKM)和增施有机肥(M2+NPK)处理土壤有机碳含量增加明显,至2100年土壤有机碳含量为24.4 g·kg-1和27.6 g·kg-1,分别较初始有机碳含量上升84.8%和109.1%。